day2-文本預(yù)處理

內(nèi)容包括:

  1. 讀入文本
  2. 分詞
  3. 建立字典愤兵,將每個詞映射到一個索引
  4. 將文本從詞的序列轉(zhuǎn)換為索引的序列

讀入文本

import collections
import re

def read_time_machine():
    with open('/home/kesci/input/timemachine7163/timemachine.txt', 'r') as f:
        lines = [re.sub('[^a-z]+', ' ', line.strip().lower()) for line in f]
    return lines


lines = read_time_machine()
print('# sentences %d' % len(lines))

將文件里所有標(biāo)點全都去掉粥诫,劃分為一個一個句子并讀入list

分詞

每句話按照空格進(jìn)行split后為一個個單詞存儲

def tokenize(sentences, token='word'):
    """Split sentences into word or char tokens"""
    if token == 'word':
        return [sentence.split(' ') for sentence in sentences]
    elif token == 'char':
        return [list(sentence) for sentence in sentences]
    else:
        print('ERROR: unkown token type '+token)

建立字典

  1. 對文本去重并統(tǒng)計詞頻
  2. 添加一些特殊token杀狡,比如padding,因為文本是一個二維句子,每一個句子長度不一定相同轩缤,因此需要對短句子進(jìn)行填充使得每個句子一樣長,還有其他特殊token如padding(pad), begin of sentence(bos), end of sentence(ens), unknown(unk)bos贩绕,ens標(biāo)記語句的開始與結(jié)束
    unk表示沒有見過的詞
  3. 按照文本去重返回的字典火的,按順序取出token放入idx_to_token,同時構(gòu)造token_to_idx
class Vocab(object):
    def __init__(self, tokens, min_freq=0, use_special_tokens=False):
        counter = count_corpus(tokens)  # : 統(tǒng)計詞頻
        self.token_freqs = list(counter.items())
        self.idx_to_token = [] #:索引到token
        if use_special_tokens:#是否需要特殊token
            # padding, begin of sentence, end of sentence, unknown
            self.pad, self.bos, self.eos, self.unk = (0, 1, 2, 3)
            self.idx_to_token += ['', '', '', '']
        else:#:unk是需要保留的
            self.unk = 0
            self.idx_to_token += ['']
        self.idx_to_token += [token for token, freq in self.token_freqs
                        if freq >= min_freq and token not in self.idx_to_token]#:大于閾值的需要保留
        self.token_to_idx = dict()
        for idx, token in enumerate(self.idx_to_token):
            self.token_to_idx[token] = idx

    def __len__(self):
        return len(self.idx_to_token)

    def __getitem__(self, tokens):#按照索引取出toke
        if not isinstance(tokens, (list, tuple)):
            return self.token_to_idx.get(tokens, self.unk)
        return [self.__getitem__(token) for token in tokens]

    def to_tokens(self, indices):
        if not isinstance(indices, (list, tuple)):
            return self.idx_to_token[indices]
        return [self.idx_to_token[index] for index in indices]

def count_corpus(sentences):
    tokens = [tk for st in sentences for tk in st]
    return collections.Counter(tokens)  # 返回一個字典淑倾,記錄每個詞的出現(xiàn)次數(shù)

將文本從詞的序列轉(zhuǎn)換為索引的序列

直接讀取分詞的字典即可

但是以上分詞過于粗糙馏鹤,我們可以使用一些庫spaCyNLTK

import spacy
nlp = spacy.load('en_core_web_sm')
doc = nlp(text)
print([token.text for token in doc])
from nltk.tokenize import word_tokenize
from nltk import data
data.path.append('/home/kesci/input/nltk_data3784/nltk_data')
print(word_tokenize(text))
?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請聯(lián)系作者
  • 序言:七十年代末娇哆,一起剝皮案震驚了整個濱河市湃累,隨后出現(xiàn)的幾起案子勃救,更是在濱河造成了極大的恐慌,老刑警劉巖治力,帶你破解...
    沈念sama閱讀 219,366評論 6 508
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件蒙秒,死亡現(xiàn)場離奇詭異,居然都是意外死亡宵统,警方通過查閱死者的電腦和手機(jī)晕讲,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 93,521評論 3 395
  • 文/潘曉璐 我一進(jìn)店門,熙熙樓的掌柜王于貴愁眉苦臉地迎上來马澈,“玉大人瓢省,你說我怎么就攤上這事∪啵” “怎么了净捅?”我有些...
    開封第一講書人閱讀 165,689評論 0 356
  • 文/不壞的土叔 我叫張陵,是天一觀的道長辩块。 經(jīng)常有香客問我蛔六,道長,這世上最難降的妖魔是什么废亭? 我笑而不...
    開封第一講書人閱讀 58,925評論 1 295
  • 正文 為了忘掉前任国章,我火速辦了婚禮,結(jié)果婚禮上豆村,老公的妹妹穿的比我還像新娘液兽。我一直安慰自己,他們只是感情好掌动,可當(dāng)我...
    茶點故事閱讀 67,942評論 6 392
  • 文/花漫 我一把揭開白布四啰。 她就那樣靜靜地躺著,像睡著了一般。 火紅的嫁衣襯著肌膚如雪。 梳的紋絲不亂的頭發(fā)上芙代,一...
    開封第一講書人閱讀 51,727評論 1 305
  • 那天暂刘,我揣著相機(jī)與錄音,去河邊找鬼。 笑死,一個胖子當(dāng)著我的面吹牛,可吹牛的內(nèi)容都是我干的涌庭。 我是一名探鬼主播,決...
    沈念sama閱讀 40,447評論 3 420
  • 文/蒼蘭香墨 我猛地睜開眼欧宜,長吁一口氣:“原來是場噩夢啊……” “哼坐榆!你這毒婦竟也來了?” 一聲冷哼從身側(cè)響起冗茸,我...
    開封第一講書人閱讀 39,349評論 0 276
  • 序言:老撾萬榮一對情侶失蹤席镀,失蹤者是張志新(化名)和其女友劉穎羹铅,沒想到半個月后,有當(dāng)?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體愉昆,經(jīng)...
    沈念sama閱讀 45,820評論 1 317
  • 正文 獨居荒郊野嶺守林人離奇死亡职员,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點故事閱讀 37,990評論 3 337
  • 正文 我和宋清朗相戀三年,在試婚紗的時候發(fā)現(xiàn)自己被綠了跛溉。 大學(xué)時的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片焊切。...
    茶點故事閱讀 40,127評論 1 351
  • 序言:一個原本活蹦亂跳的男人離奇死亡,死狀恐怖芳室,靈堂內(nèi)的尸體忽然破棺而出专肪,到底是詐尸還是另有隱情,我是刑警寧澤堪侯,帶...
    沈念sama閱讀 35,812評論 5 346
  • 正文 年R本政府宣布嚎尤,位于F島的核電站,受9級特大地震影響伍宦,放射性物質(zhì)發(fā)生泄漏芽死。R本人自食惡果不足惜,卻給世界環(huán)境...
    茶點故事閱讀 41,471評論 3 331
  • 文/蒙蒙 一次洼、第九天 我趴在偏房一處隱蔽的房頂上張望关贵。 院中可真熱鬧,春花似錦卖毁、人聲如沸揖曾。這莊子的主人今日做“春日...
    開封第一講書人閱讀 32,017評論 0 22
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽炭剪。三九已至,卻和暖如春翔脱,著一層夾襖步出監(jiān)牢的瞬間奴拦,已是汗流浹背。 一陣腳步聲響...
    開封第一講書人閱讀 33,142評論 1 272
  • 我被黑心中介騙來泰國打工碍侦, 沒想到剛下飛機(jī)就差點兒被人妖公主榨干…… 1. 我叫王不留粱坤,地道東北人隶糕。 一個月前我還...
    沈念sama閱讀 48,388評論 3 373
  • 正文 我出身青樓瓷产,卻偏偏與公主長得像,于是被迫代替她去往敵國和親枚驻。 傳聞我的和親對象是個殘疾皇子濒旦,可洞房花燭夜當(dāng)晚...
    茶點故事閱讀 45,066評論 2 355

推薦閱讀更多精彩內(nèi)容